Para visualizar la direccin que toma la serie a largo
plazo, para visualizar el crecimiento decrecimiento de la serie de tiempo a largo plazo. 2. Para poder detectar las componentes que se dan en perodos ms cortos de tiempo, como la estacionalidad Variacin estacional
La tendencia se puede determina en forma directa a
partir de los datos originales, mientras que el componente estacional se determina eliminando los otros componentes.
2. Mientras que la tendencia se determina mediante una
ecuacin o lnea de mejor ajuste, se debe calcular un valor estacional por separado para cada mes, trimestre, etc. por lo regular en la forma de un nmero ndice. Cmo calcular los ndices estacionales?
Cuando no cambia el patrn estacional
1. Promedio de los valores de los perodos correspondientes 2. Relacin de 2 promedios mviles de 12 meses
Cuando cambia el patrn estacional
1. Promedio de los valores de los perodos correspondientes 2. Relacin de 2 promedios mviles de 12 meses Formula
Se calculan los factores estacionales para la estacin i.
donde MMC t=media mvil centrada , = Y , t=dato original serie t
Un factor estacional mayor que 1 denota un perodo en el
que Y es mayor que el promedio anual, mientras que lo opuesto es cierto si el factor estacional es menor que 1 El ndice estacional i se calcula con los factores estacionales de la siguiente forma , = , Dende: FE, Promedio factores estacionales Para la estacin Y FE Promedio factores estacionales globales Cmo interpretar los ndices de estacionalidad?
El ndice de estacionalidad mide en que grado, el
promedio de una estacin en particular se encuentra con respecto a la media. Un ndice estacional de 1,00 para un mes en particular, indica que el valor esperado para ese mes es el promedio general de los doce meses del ao. Un ndice estacional de 1.25 indica que el valor esperado de ese mes en particular es 25% mayor que el promedio general. Un ndice estacional de .80 indica que el valor esperado para ese mes en particular es 20% menor que el promedio general. Desventajas de Ajustar la serie a la componente estaciona
Pueden existir casos en los que la componente
estacional presenten races unitarias estacionales, es decir, que resulta complejo modelarlas. Extraer de la serie que presenta races unitarias estacionales, el componente de estacionalidad por medio del ndice estacional pudo haber inducido correlaciones que originalmente no existen en la serie original. Los datos desestacionalizados exhiben subestimaciones de la varianza hasta en un 20% Historia de los Modelos Box-Jenkins
A comienzos de los aos 70, G.E.P. Box, profesor de
Estadstica de la Universidad de Winsconsin y G.M. Jenkins, profesor de Ingeniera de Sistemas de la Universidad de Lancaster, introdujeron unan pequea revolucin en el enfoque del anlisis de series de tiempo, en sus trabajos sobre el comportamiento de la contaminacin en la baha de San Francisco, con el propsito de establecer mejores mecanismos de pronstico y control. A estos nuevos modelos de series de tiempo, se les llamo Modelos Box-Jenkins ARIMA (Auto regresivos e Integrados de medias mviles). Etapas en el Modelo Box-Jenkins
1. Identificacin: Se trata de elegir uno o varios
modelos ARIMA como posibles candidatos para explicar el comportamiento de la serie. 2. Estimacin: Se realiza la estimacin de los parmetros de los modelos seleccionados 3. Diagnstico: Se comprueba la adecuacin de cada uno de los modelos estimados y se determina cul es el ms idneo. 4. Prediccin: Si el modelo elegido es satisfactorio se realizan las predicciones de la variable Por qu es importante que la Serie sea estacionaria en los Modelos BoxJenkins
Por medio del grfico de serie de tiempo, existe
tendencia? la varianza es cte? Por medio de la funcin de autocorrelacin, se tiene estacionalidad? las autocorrelaciones tienden a desvanecer rpidamente en forma exponencial conforme aumenta el retraso?En caso de que la serie original tenga tendencia lineal, las autocorrelaciones decrecen rpidamente en forma lineal conforme aumenta el retraso de las observaciones?. Son ests todas las transformaciones que pueden convertir una serie en estacionaria? o, existen ms transformaciones. Entre las ms comnes estn las siguientes: Cambio porcentual logaritmo Diferencias de logaritmos Primeras diferencias Segundas diferencias Diferencia estacional Segundas diferencias estacionaleS Serie de tiempo de demanda
Qu transformacin hacer en este caso para que la serie de
la demanda se convierta en estacionaria Serie de tiempo de las tasas de inters bancaria
Qu transformacin recomiendas realizar para que la
serie se convierta en estacionaria? Por qu es indispensable la etapa de Diagnstico?
Es indispensable saber si el modelo es adecuado,
pues de no serlo llevara a pronsticos poco confiables. La validacin del modelo consiste en lo siguiente: Verificar que los residuos cumplan con los supuestos de normalidad, media centrada en cero, no correlacionados, varianza constant Factores a Considerar al seleccionar una tcnica de Pronstico
Horizonte de tiempo. Se requiere a corto,
mediano largo plazo? Disponibilidad de los datos. Existen o no datos disponibles de perodos de tiempo anteriores? Precisin requerida. Alta, media baja? Costo del pronstico y presupuesto para el mismo. Se tiene el suficiente dinero para cubrir los costos? Pasos en la realizacin de un Pronstico Recoleccin de los datos 2. Reduccin condensacin de datos 3. Construccin y evaluacin del modelo 4. Extrapolacin del modelo (el pronstico real) 5. Evaluacin del pronstico
Taller de Huerto MOA-FundaMor: resultados positivos en autoestima, regulación emocional y vínculos interpersonales en residencias de un programa de protección. Sánchez, S. y Gutiérrez, Y. (2019).Revista-Senales-20_11-08-2019-páginas-118-138